論文の概要: CADER: Confidence-Aware Dynamic Evidence Reasoning for Long-Video Understanding
- arxiv url: http://arxiv.org/abs/2607.24582v1
- Date: Mon, 27 Jul 2026 15:49:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.485172
- Title: CADER: Confidence-Aware Dynamic Evidence Reasoning for Long-Video Understanding
- Title（参考訳）: CADER: 長時間ビデオ理解のための信頼性を意識したダイナミックエビデンス推論
- Abstract要約: CADER(Confidence-Aware Dynamic Evidence Reasoning)は、適応的で信頼性の高い長ビデオ推論のためのトレーニングフリーフレームワークである。
高信頼度サンプルのStage2をバイパスしながら,CADERは長ビデオ推論を改善した。
- 参考スコア（独自算出の注目度）: 17.497595783869745
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-video understanding increasingly relies on large vision-language models and tool-augmented reasoning, but most systems apply the same inference procedure to every example regardless of difficulty. This uniform strategy invokes unnecessary tool-assisted processing for easy questions and provides limited control when difficult questions require fine-grained temporal evidence. We propose CADER (Confidence-Aware Dynamic Evidence Reasoning), a training-free framework for adaptive and reliable long-video reasoning. CADER first performs global reasoning over uniformly sampled frames and estimates answer confidence with a logit-margin signal, allowing high-confidence examples to exit early. For uncertain examples, CADER activates a second-stage tool-augmented loop that combines temporal cropping, lightweight semantic verification, and Relevance-Guided Resampling to progressively localize question-relevant evidence. This design treats tool use as a sample-level decision: a single global pass handles easy cases, while additional reasoning is reserved for examples where uncertainty suggests that more evidence is needed. Experiments on multiple VideoQA benchmarks show that CADER improves long-video reasoning while bypassing Stage~2 for high-confidence samples. Moreover, when applied to a backbone trained only with tool-free chain-of-thought supervision, CADER achieves competitive performance against specialized tool-augmented frameworks, suggesting a practical inference-time route for adaptive long-video reasoning.
- Abstract（参考訳）: 長いビデオの理解は、大きな視覚言語モデルとツール拡張推論にますます依存しているが、ほとんどのシステムは困難にかかわらず全ての例に同じ推論手順を適用する。
この一様戦略は、簡単な質問に対して不要なツールアシスト処理を実行し、難解な質問がきめ細かな時間的証拠を必要とする場合に限定的な制御を提供する。
適応的で信頼性の高い長ビデオ推論のためのトレーニングフリーフレームワークであるCADER(Confidence-Aware Dynamic Evidence Reasoning)を提案する。
CADERはまず、一様にサンプリングされたフレームに対してグローバルな推論を行い、ロジットマージン信号で回答の信頼性を推定し、高信頼のサンプルを早期に終了させる。
不確実な例として、CADERは、時間的トリミング、軽量なセマンティック検証、Relevance-Guided Resamplingを組み合わせた第2段階ツール拡張ループをアクティベートし、質問関連証拠を段階的にローカライズする。
この設計は、ツールの使用をサンプルレベルの決定として扱う: 単一のグローバルパスが簡単なケースを処理し、不確実性がより多くの証拠が必要であることを示唆する例のために追加の推論が予約される。
複数のVideoQAベンチマークの実験では、CADERは高信頼サンプルのステージ~2をバイパスしながら長ビデオ推論を改善している。
さらに,ツールフリーチェーン・オブ・シークレット・インシデントのみで訓練されたバックボーンに適用した場合,CADERは特定のツール拡張フレームワークと競合する性能を達成し,適応的なロングビデオ推論のための実用的な推論時ルートを提案する。
関連論文リスト
- Switch-Reasoner: Learn When to Think in Multitask Mixtures via Reinforcement Learning [72.45536737928015]
MLLMの推論モードを適応的に選択するフレームワークであるSwitch-Reasonerを提案する。
仮想ツールの呼び出しとして思考を扱い、モデルが直接答えるか、答える前に明示的な推論を呼び出すことができる。
11のマルチモーダルタスクの実験は、Switch-Reasonerが強い性能を維持しながら不要な推論を減らすことを示す。
論文 参考訳（メタデータ） (2026-07-09T15:04:05Z) - Reflect-R1: Evidence-Driven Reflection for Self-Correction in Long Video Understanding [37.607009528052565]
この研究は、長いビデオ理解のための最初のEvidence-Driven Self-correctionフレームワークであるReflect-R1を提案する。
このフレームワークは直感、検証、調停からなる3段階のパイプラインを構成する。
本手法は真正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正正
論文 参考訳（メタデータ） (2026-06-26T10:15:36Z) - CARE: Competence-Aware Reward Shaping for Adaptive Reasoning Length in Video-MLLMs [50.189987475377656]
マルチモーダル推論における適応推論長最適化のための能力認識型報酬形成フレームワークであるCAREを提案する。
CAREは、パスレートの指数的な移動平均を通したスムーズなコンピテンス推定を維持し、それを訓練を進行段階にルートするために利用する。
複数のビデオ推論と一般的なビデオ理解ベンチマークの実験により、CAREは推論精度を一貫して改善し、強化学習を安定化し、トークン効率を大幅に向上することを示した。
論文 参考訳（メタデータ） (2026-06-18T08:28:26Z) - Efficient Test-Time Scaling via Temporal Reasoning Aggregation [5.87118425760756]
本稿では,効率的なテスト時間スケーリングのためのトレーニングフリーフレームワークであるTRACEを提案する。
TRACEは、多段階証拠の時間的集約に基づいて推論を終了するタイミングを決定する。
TRACEは1～2%の精度を保ちながら平均25～30%の推論トークン使用率を低下させることを示した。
論文 参考訳（メタデータ） (2026-04-19T07:39:40Z) - Clue Matters: Leveraging Latent Visual Clues to Empower Video Reasoning [14.945921705882725]
この研究はMLLMビデオ理解における知覚と世代間のギャップを埋め、ビデオQAアプリケーションのための解釈可能で忠実な推論パラダイムを提供する。
階層的人間の視覚認知に着想を得たClueNetを提案する。
論文 参考訳（メタデータ） (2026-03-16T09:15:12Z) - Adversarial Yet Cooperative: Multi-Perspective Reasoning in Retrieved-Augmented Language Models [72.4149653187766]
本稿ではAdrialversa Reasoning RAG(ARR)というReasoner-Verifierフレームワークを提案する。
ReasonerとVerifierは、回収された証拠を推論し、プロセス認識の利点によってガイドされながら、互いの論理を批判する。
複数のベンチマーク実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2026-01-08T06:57:03Z) - Video-R2: Reinforcing Consistent and Grounded Reasoning in Multimodal Language Models [56.851611990473174]
動的ビジュアルコンテンツに対する推論は、大きな言語モデルにとって依然として中心的な課題である。
本稿では,時間的精度と推論一貫性を両立させる強化学習手法を提案する。
結果のモデルであるVideo R2は、複数のベンチマークでTAC、VAS、精度を一貫して向上させる。
論文 参考訳（メタデータ） (2025-11-28T18:59:58Z) - Fractional Reasoning via Latent Steering Vectors Improves Inference Time Compute [60.151643048803145]
本稿では,推論時の推論強度を連続的に制御するフレームワークであるフラクショナル推論を提案する。
提案手法は, より深い推論を伴う潜在ステアリングベクトルを抽出し, 調整可能なスケーリング係数で再適用することによって機能する。
GSM8K、MATH500、GPQAの実験により、フラクショナル推論は様々な推論タスクやモデルのパフォーマンスを一貫して改善することを示した。
論文 参考訳（メタデータ） (2025-06-18T21:15:59Z) - VAU-R1: Advancing Video Anomaly Understanding via Reinforcement Fine-Tuning [12.293826084601115]
スマートシティ、セキュリティ監視、災害警報システムには、ビデオの異常理解が不可欠である。
異常検出の進歩にもかかわらず、既存の手法は解釈可能性に欠け、異常事象の因果的・文脈的側面を捉えるのに苦労することが多い。
マルチモーダル大言語モデル(MLLM)上に構築されたデータ効率のよいフレームワークVAU-R1を導入し,RFT(Reinforcement Fine-Tuning)による異常推論を強化する。
論文 参考訳（メタデータ） (2025-05-29T14:48:10Z) - STEP: Enhancing Video-LLMs' Compositional Reasoning by Spatio-Temporal Graph-guided Self-Training [87.58996020705258]
Video Large Language Models (Video-LLMs) は近年,ビデオ理解タスクに強い派生性を示している。
ビデオLLMは、多段階の明示的時間的推論を必要とする構成的推論と、オブジェクトの関係、相互作用、イベントに苦労する。
本稿では,ビデオLLMが生ビデオから推論に富んだ微調整データを生成し,自己改善を実現するための,グラフ誘導型自己学習手法STEPを提案する。
論文 参考訳（メタデータ） (2024-11-29T11:54:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。